Gurobi无法添加约束

Question

我正在用Java编写一个程序来解决Gurobi的MIP问题。这个问题需要很多约束和变量，但第一个不能添加到我的模型中。更深入的问题是，当我尝试添加约束时，模型会显示它（通过调试读取），但row_no等于-1。 首先要做的事情是：

• 创建变量的多维矩阵：

      GRBVar[][] x = new GRBVar[iMax][jMax];
      for (int i = 0; i < iMax; i++) {
          for (int j = 0; j < jMax; j++) {
              x[i][j] = model.addVar(0.0, GRB.INFINITY, 0.0, GRB.SEMIINT, "xi" + i + "j" + j);
          }
      }
  

• 添加约束（看起来像Xij＆lt; 10）：

      for (int i = 0; i < iMax; i++) {
          for (int j = 0; j < jMax; j++) {
  
              GRBLinExpr lhs = new GRBLinExpr();
              GRBLinExpr rhs = new GRBLinExpr();
  
              lhs.addTerm(1.0, x[i][j]]);
              rhs.addConstant(10);
  
              model.addConstr(lhs, GRB.LESS_EQUAL, rhs, "Vi" + i + "j" + j);
          }
      }
  

• 调试项目：有iMax * jMax列，iMax * jMax个变量，iMax * jMax个约束（row_no = -1）和0行。

有什么想法吗？

修改

我不确定使用row_no，但我认为Gurobi（从抽象的角度来看）将数据组织成伪矩阵，其中变量存储为列和约束作为行。 为什么我这么说？因为每次添加变量时，列的计数器都会增加1并且其col_no与特定列相关联，而当我添加约束时，行的计数器不会更改。

列：http://www.gurobi.com/documentation/6.0/refman/java_grbmodel_getcol.html 行：http://www.gurobi.com/documentation/6.0/refman/java_grbmodel_getrow.html

编辑2

我对列，行或其他任何内容都没有任何问题，但当我尝试解决松散模型时，Gurobi会显示此输出：

Optimize a model with 0 rows, 1475400 columns and 0 nonzeros
Coefficient statistics:
  Matrix range    [0e+00, 0e+00]
  Objective range [0e+00, 0e+00]
  Bounds range    [1e+00, 1e+03]
  RHS range       [0e+00, 0e+00]
Presolve removed 0 rows and 1475400 columns
Presolve time: 0.36s
Presolve: All rows and columns removed
Iteration    Objective       Primal Inf.    Dual Inf.      Time
       0    0.0000000e+00   0.000000e+00   0.000000e+00      1s

Solved in 0 iterations and 0.72 seconds
Optimal objective  0.000000000e+00

解决方案是可行的，但无法显示任何有用的信息。我认为只有在添加变量而不是约束之后我才应该更新模型。另外，我从Gurobi文档中读到，如果模型需要更新它的抛出异常（不是我的情况）：

  

“缺少更新的最常见症状是NOT_IN_MODEL   异常，表示您要引用的对象   尚未在模型中“

编辑3

我已按照您的建议更新模型（添加约束后），并且每件事情都能正常工作。我认为它不是强制性的，但是，与文档（和代码示例）相比，它是。

Answer 1

我猜你的模型显示出奇怪的行为，因为你的所有变量在目标函数中都有0.0作为系数。此外，将所有变量设置为零是一个可行的解决方案。

虽然我无法解释Gurobi将行设置为零的内部机制，但它确实为这种（奇怪的）模型提供了正确的答案。